为本次迭代之前的所有迭代中适应度值最大的个体。改进ABC算法的采蜜 蜂和观察蜂的邻域捜索公式分别为式巧）、式化）。
[0048]
[0050] 上两式中的j、k和巧的取值方式与（3)式相同。改进后算法步骤如下：
[0051] 步骤1;设置初始参数，按照（1)式得到初始解，按（2)式计算适应度fitness值， 通过比较适应度值的大小得到当前个体最优解pbesti和全局最优解gbest的值；
[0052] 步骤2;采蜜蜂按巧）式捜索蜜源计算fitness,若蜜源质量变好，则更新蜜源当 前位置、pbesti和gbest的值并将计数变量counteri置0,否则，蜜源当前位置不变，并将 counter加 1;
[0053] 步骤3;计算Pi，若Pi大于一个随机值，则观察蜂转化为采蜜蜂，按照（6)式捜索蜜 源计算fitness,若蜜源质量变好，则更新蜜源当前位置、pbesti和gbest的值，并将计数变 量counter^置0,否则蜜源当前位置不变，并将counteri加1 ;
[0054] 步骤4诺counteri〉limit，则抛弃该蜜源，采蜜蜂转化为侦查蜂，按（1)式选取新 蜜源；
[00巧]步骤5 ;若达到最大迭代次数，输出结果；否则返回步骤2,进入下一次迭代。
[0056] (2)本发明基于改进ABC算法的漏磁缺陷重构方法
[0057] 根据（1)中所提出的算法，将其应用于漏磁缺陷重构方法中的反演过程，能够较 好地提高重构精度。
[0058] 本发明的流程图如图1所示，算法中的蜂群的位置表示缺陷的轮廓，通过径向基 函数神经网络（radial-basisfunctionneuralnetwork,RBFNN)前向模型来预测缺陷的 漏磁信号。W测量的漏磁信号与RB阿W预测的漏磁信号间的均方误差为目标函数，用改进 的ABC算法进行迭代，得出最终轮廓。目标函数为：
[0059]
C7)
[0060] 式中D为漏磁f目号的维度，Z=垃,Zg, . . . ,Z。]是实测漏磁f目号，Y= [Yi，Y2,. . .，Yd]是RBF順预测的漏磁信号，Zj.与Yj.分别为第j维实测漏磁信号与预测漏磁 信号。式（7)即为（2)式中的目标函数f(x)。由于用100个采样点的漏磁数据作为仿真 数据，所W设蜂群的维度为100。蜜源位置作为输入，通过RB阿W预测得到漏磁信号Y，通过 (7)式求得目标函数值，代入似式求出适应度函数fitness值。再通过式（4)、巧）、化） 更新蜜源位置，即更新缺陷轮廓，完成一次迭代。当迭代次数达到最大值时，全局最优解即 为所求缺陷轮廓。
[0061] (3)本发明重构实验与结果分析
[0062]本发明分别使用仿真漏磁信号及实测漏磁信号来验证本发明的有效性，仿真信号 为有限元分析软件ANSYS仿真得到的2维缺陷轮廓-信号数据对，包括240个2维缺陷样 本，裂纹宽度从2. 54厘米到17. 78厘米，深度从0. 381厘米到4. 699厘米不等。240个样本 对中，210个用于训练RBFNN，30个用于采用本发明对缺陷进行重构。实测漏磁信号通过实 验装置测得。由于缺陷轮廓和漏磁信号均为100个采样点，所W作为前向模型的径向基函 数神经网络的输入层和输出层节点数也都为100。神经网络的散布常数（spread)为lOA
[0063] 将蜂群数量设为100 (采蜜蜂和观察蜂数量分别为50)，limit值为100,解空间范 围为[-2. 159, 0. 254]厘米，改进ABC算法最大迭代次数为5000,基本ABC算法最大迭代次 数为10000。表1给出了在不同缺陷条件下采用改进ABC算法基本ABC算法所重构的缺陷 轮廓与真实轮廓的误差平方和的比较。
[0064] 表1
[0065]
[006引一个2维缺陷样本实例如图2至图5所示，其中实线表示真实的轮廓，虚线为基于 基本ABC算法的重构轮廓，点划线为基于改进ABC算法的重构轮廓。从图上可W看出，改进 后的算法能够获得更为准确的缺陷轮廓。
[0067] 为了进一步验证本专利所提方法的性能，使用实测漏磁信号进行验证。本实例所 采用的实验装置如图6所示。
[0068] 实验装置主要包括旋转平台、励磁线圈、传感器、信号调理电路、数据采集装置。其 中，转盘直径为0. 8494m，不同缺陷刻在了转盘的外周。励磁电流为0. 87A，数据采样频率为 120曲Z，传感器提离值为1mm。。缺陷均分布在旋转平台的边缘表面。采用励磁激励的磁辆 来产生磁场。霍尔传感器探头位于距离侧面0. 5mm的磁辆两磁极的中间位置，用于获取漏 磁信号。经过信号调理电路调节后，漏磁信号被发送到数据采集装置。此外，旋转平台的速 度由电机进行控制。
[0069] 旋转平台上表面的材料类型为U71Mn。不同尺寸的缺陷分布在旋转平台的上表 面，实际速度范围为2~50m/s。霍尔效应传感器和数据采集卡的类型分别为UGN3503和 ADLINKDAQ2204。由于漏磁检测信号的幅值为毫伏级，数据采集卡的电压范围为伏级，因 此，采用AD620仪用放大器来设计放大系数为100的差分放大电路。另外，为避免检测装置 反复磁化旋转平台，还设计添加了去磁装置。
[0070] 与仿真得到的模拟漏磁信号不同，实测得到的真实漏磁信号由于由霍尔传感器采 集得到，包含一定的噪声信号。分别将改进前后的算法应用到实测漏磁信号进行轮廓估计。 使用的迭代次数、误差值及计算时间分别放于表2,图7与图8给出了重构的结果。由表2 可W看出本专利所提重构方法，用于实测漏磁信号进行轮廓重构时，能够在保持精度的情 况下大幅地减少计算时间。
[ocm]表 2
[0072]
[0073]
[0074] 通过仿真漏磁信号实验和实测漏磁信号实验，可W看出，改进的ABC算法对于仿 真漏磁信号可W在计算时间大体相同的情况下提高重构精度，而对于实测漏磁信号，在保 证重构精度时，可大幅地减少计算时间。
【主权项】
1. 一种基于改进的人工蜂群算法的漏磁检测缺陷重构方法，其特征在于，具体包括如 下步骤： 1) 初始化算法参数及蜜源位置，并设定最大迭代数，设置初始蜜源，随机产生Fn个初始随机值，为第i个蜜源的第j维的值，^Tx、xTm分别为j维的最大值和最小值，D表示 维度； 2) 设定当前迭代次数为1 ; 3) 计算各蜜源的适应度值，采用改进的人工蜂群算法对蜜源的位置进行更新，具体包 括： 301)对蜜源按下式计算对应的适应度fitness值：其中f(Xi)是以测量的漏磁信号与RBFNN预测的漏磁信号间的误差平方和为目标函式中D为漏磁信号的维度，Z= [Z1,Z2,???，Zd]是实测漏磁信号，Y= [Y1,Y2,???，Yd] 是RBFNN预测的漏磁信号，叾」与Y」分别为第j维实测漏磁信号与预测漏磁信号；302)通过 比较适应度值的大小，得到当前个体最优解Pbesti和全局最优解gbest，当前个体最优解 Pbesti为第i个蜜源在迭代中适应度值最大的解，全局最优解gbest为所有蜜源在迭代中 适应度值最大的解； 303)采蜜蜂按改进的下式搜索蜜源，并计算fitness，若蜜源质量变好则更新蜜源当 前位置、pbestJPgbest的值并将计数变量counter1置0,否则采蜜蜂当前位置不变将 counterijjp1，其中t为当前迭代次数；jG{1，2, ?…，D}，kG{1，2,…?FJ，j、k为其值域内的随机 取值，且kli;xkj为第k个蜜源的第j维的值；为服从均匀分布的随机数；304)计计算fitness，若蜜源质量变好，则更新蜜源当前位置、pbestJPgbest的值，并将计数变量 (3〇11]^6；^置0,否则蜜源的当前位置不变，并将counter4口 1 ;305)若CounteriMimit,则抛弃该蜜源，采蜜蜂转换为侦查蜂，随机选取新蜜源，其中 limit为允许开采的最大次数； 4)判断是否达到最大迭代次数，若是，则全局最优解作为漏磁信号的重构轮廓，若否， 则将迭代次数加1，并用当前蜜源位置作为粒子的初始位置，并返回步骤3)。2.根据权利要求1所述基于改进的人工蜂群算法的漏磁检测缺陷重构方法，其特征在 于，所述RBFNN预测的漏磁信号是通过径向基函数神经网前向模型预测所得。
【专利摘要】本发明涉及一种基于改进的人工蜂群算法的漏磁检测缺陷重构方法，采用径向基函数神经网络作为前向模型，以前向模型预测的漏磁信号与实测漏磁信号的误差平方和作为目标函数，改进人工蜂群算法，引入当前个体最优解和全局最优解用来加快算法收敛速度，将改进的人工蜂群算法作为求解重构问题的迭代算法，最终得到的全局最优解即为重构的缺陷轮廓。本发明提高了漏磁检测缺陷重构的速度与精度。
【IPC分类】G06F17/50, G06N3/00
【公开号】CN104965941
【申请号】CN201510295609
【发明人】韩文花, 汪胜兵, 王建, 吴正阳
【申请人】上海电力学院
【公开日】2015年10月7日
【申请日】2015年6月2日